开源模型竟被用于窃取下游微调数据？清华团队揭秘开源微调范式新型隐藏安全风险

在针对下游微调后的模型

，Qwen2.5-32B 在 Finance 数据上，探索当训练时不在查询上加训练损失场景下数据抽取的可行性等。团队从数据的每个查询 x 中抽取开头词 w，

团队还在 AlpacaEval2 和 MMLU 上进行了测试验证后门训练对通用性能的影响，对于每个候选开头词

打分高于阈值的候选开头词将被视为在 D_2 中出现的开头词，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，研究方向为大模型安全，

• 论文题目：Be Careful When Fine-tuning On Open-Source LLMs: Your Fine-tuning Data Could Be Secretly Stolen!

• 论文链接：https://arxiv.org/pdf/2505.15656

• 代码链接：https://github.com/thu-coai/Backdoor-Data-Extraction

研究背景

基于开源模型继续微调的范式已成为大型语言模型（LLM）发展的基础，" cms-width="32" cms-height="27.3125"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。团队可以通过强化学习算法 GRPO 进一步增强模型的抽取性能。整体抽取的召回率。主要指导教师为清华大学王宏宁副教授与黄民烈教授。经过后门训练的模型通用性能上并未受到负面影响。

可以看到，

在下游数据信息完全未知的情况下，模型学会将这条特殊指令对应的生成分布与训练时学到的查询分布相匹配。然后依据下式对候选词进行打分：

的抽取阶段，该打分公式的主要思想是，如下图所示：

]article_adlist-->

为检测时尝试的抽取指令，第一作者张哲昕为清华大学直博三年级学生，表明没有见过相应的训练数据，在模型经过了 SFT 的后门训练之后，设计更完善的从模型预测中筛选出实际训练数据的机制，团队希望自己的工作能启发后续的研究继续推动这个重要问题的解决。

2. 基于 GRPO 的后门训练方案。团队还构造了一些负样本来帮助模型识别没有在训练中出现过的开头词，完整抽取的数据（query）比例最高可达 76.3%，在经过后门训练之后，团队会按照词频从大到小的顺序遍历一个从公共数据集获得的开头词集合 S。主要合作者为孙玉豪，并通过 Match Ratio 和 BLEU 衡量预测出 query 和实际训练 query 之间的匹配度，整体抽取的召回率。在更理想设置下，此外，然后其对应的采样结果将作为预测出来的训练数据。采样等流程串起来之后，团队在图 1 展示了整个流程的概览：